SPSS 回归分析.ppt

《SPSS 回归分析.ppt》由会员分享，可在线阅读，更多相关《SPSS 回归分析.ppt（24页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、一、简介一、简介在现实生活中，客观事物常受多种因素影响，我在现实生活中，客观事物常受多种因素影响，我们记录下相应数据并加以分析，们记录下相应数据并加以分析，目的目的目的目的是为了是为了找出找出对我对我们所关心的指标（因变量）们所关心的指标（因变量）Y有有影响影响的的因素因素（也称自变（也称自变量或回归变量）量或回归变量）x1、x2、xm，并并建立建立用用x1、x2、xm预报预报Y的经验的经验公式公式：从而用以进行预测或控制，达到指导生产活动的目的。从而用以进行预测或控制，达到指导生产活动的目的。多元线性回归多元线性回归以年龄为自变量以年龄为自变量x，血压为因变量血压为因变量y，可可作出如下散点

2、图：作出如下散点图：年龄394745476545674267563650392144血压144120138145162142170124158154136142120120116年龄645659344248451720195363292569血压162150140110128130135114116124158144130125175例例1、某医学研究所对、某医学研究所对30个不同年龄的人的血压（高个不同年龄的人的血压（高压）进行了测量，得到如下数据：压）进行了测量，得到如下数据：为了判断经验公式是否可用线性函数来拟合，可以为了判断经验公式是否可用线性函数来拟合，可以画出散点图观察。其方法如下

3、：画出散点图观察。其方法如下：双击双击改变显示格式改变显示格式改变坐标轴的显示改变坐标轴的显示为了求得经验公式，为了求得经验公式，可通过如下步骤进可通过如下步骤进行：行：从散点图可以从散点图可以看出年龄与血看出年龄与血压有线性关系：压有线性关系：当自变量和当自变量和因变量选好因变量选好后，点击后，点击 OK 键键1.Model为回归方程模型编号为回归方程模型编号(不同方法对应不同模型不同方法对应不同模型)2.R为回归方程的复相关系数为回归方程的复相关系数3.R Square即即R2系数，用以判断自变量对因变量的影响有多系数，用以判断自变量对因变量的影响有多大，但这并不意味着越大越好大，但这并不

4、意味着越大越好自变量增多时，自变量增多时，R2系数系数会增大，但模型的拟合度未必更好会增大，但模型的拟合度未必更好4.Adjusted R Square即修正即修正R2，为了尽可能确切地反映模为了尽可能确切地反映模型的拟合度，用该参数修正型的拟合度，用该参数修正R2系数偏差，它未必随变量个系数偏差，它未必随变量个数的增加而增加数的增加而增加5.Std.Error of the Estimate是估计的标准误差是估计的标准误差结果说明结果说明常用统计量：常用统计量：1.Sum of Squares为回归平方和（为回归平方和（Regression）、）、残差平方和残差平方和（Residual）、）

5、、总平方和（总平方和（Total）2.df 为自由度为自由度3.Mean Square4.F5.Sig 为大于为大于F的概率，其值为的概率，其值为0.000，拒绝回归系数为，拒绝回归系数为0的原假的原假设：设：b0=b1=0即认为回归方程显著性成立即认为回归方程显著性成立结果说明结果说明方差分析：方差分析：1.Model 为回归方程模型编号为回归方程模型编号2.Unstandardized Coefficients 为非标准化系数，为非标准化系数，B为系数值，为系数值，Std.Error为系数的标准差为系数的标准差3.Standardized Coefficients 为标准化系数为标准化系数

6、4.t 为为t检验，是偏回归系数为检验，是偏回归系数为0(和常数项为和常数项为0)的假设检验的假设检验5.Sig.为偏回归系数为为偏回归系数为0(和常数项为和常数项为0)的假设检验的显著性的假设检验的显著性水平值水平值6.B 为为Beta系数，系数，Std.Error 为相应的标准差为相应的标准差结果说明结果说明回归系数分析：回归系数分析：对于多元线性回归主要需研究如下几个问题：对于多元线性回归主要需研究如下几个问题：1)建立因变量建立因变量Y与与x1、x2、xm的经验公式（回的经验公式（回归方程）归方程）2)对经验公式的可信度进行检验对经验公式的可信度进行检验3)判断每个自变量判断每个自变量

7、xi(i=1,m)对对Y的影响是否的影响是否显著？显著？4)利用经验公式进行预报、控制及指导生产利用经验公式进行预报、控制及指导生产5)诊断经验公式是否适合这组数据诊断经验公式是否适合这组数据方差分析的主要思想是把方差分析的主要思想是把 yi 的的总方差进行分解：总方差进行分解：模型平方和模型平方和误差平方和误差平方和二、多元线性回归二、多元线性回归1.参数估计方法参数估计方法最小二乘法最小二乘法2.回归方程显著性的检验回归方程显著性的检验就是检验以下假设是就是检验以下假设是否成立（采用方差分析法）：否成立（采用方差分析法）：如果自变量对如果自变量对Y的影响显著，则总方差主要应由的影响显著，则

8、总方差主要应由xi引起，也就是原假设不成立，从而检验统计量为：引起，也就是原假设不成立，从而检验统计量为：方差来方差来源源自由度自由度平方和平方和均方均方Fp值值自变量自变量mMSSMMSMMSEMSp随机误随机误差差n-m-1ESSEMS和和n-1TSS多元线性回归的方差分析表：多元线性回归的方差分析表：在实际问题中，影响因变量在实际问题中，影响因变量Y的因素（自变量）可的因素（自变量）可能很多。在回归方程中，如果漏掉了重要因素，则会能很多。在回归方程中，如果漏掉了重要因素，则会产生大的偏差；但如果回归式中包含的因素太多，则产生大的偏差；但如果回归式中包含的因素太多，则不仅使用不便，且可能影

9、响预测精度。如何选择适当不仅使用不便，且可能影响预测精度。如何选择适当的变量，建立最优的回归方程呢？的变量，建立最优的回归方程呢？在最优的方程中，所有变量对因变量在最优的方程中，所有变量对因变量Y的影响都应的影响都应该是显著的，而所有对该是显著的，而所有对Y影响不显著的变量都不包含影响不显著的变量都不包含在方程中。选择方法主要有：在方程中。选择方法主要有：逐步筛选法逐步筛选法(STEPWISE)(最常用最常用)向前引入法向前引入法(FORWARD)向后剔除法向后剔除法(BACKWARD)等等逐步回归逐步回归变量选择问题变量选择问题开始开始对对不在方程中的变不在方程中的变量考虑能否引入？量考虑能

10、否引入？引入变量引入变量能能对对已在方程中的变已在方程中的变量考虑能否剔除？量考虑能否剔除？能能剔除变量剔除变量否否筛选结束筛选结束否否逐步回归的基本思想和步骤：逐步回归的基本思想和步骤：某地区大春某地区大春粮食产量粮食产量 y 和大春粮食和大春粮食播种面积播种面积x1、化肥用量化肥用量x2、肥猪发展头肥猪发展头数数x3、水稻水稻抽穗扬花期抽穗扬花期降雨量降雨量x4的的数据如下表，数据如下表，寻求大春粮寻求大春粮食产量的预食产量的预报模型。报模型。例例2、大春粮食产量的预报模型、大春粮食产量的预报模型1)按按GraphsScatter Simple顺序展开对话框顺序展开对话框2)将将y选入选入

11、Y Axis，然后将其余变量逐个选入然后将其余变量逐个选入X Axis ，绘出散点图，观察是否适宜用线性方程来拟合。绘出散点图，观察是否适宜用线性方程来拟合。1.初步分析（作图观察）初步分析（作图观察）1)按按StatisticsRegression Linear顺序展开对话框顺序展开对话框2)将将y作为因变量选入作为因变量选入Dependent框中，然后将其余变框中，然后将其余变量选入作为自变量选入量选入作为自变量选入Independent(s)框中框中3.Method框中选择框中选择Stepwise(逐步回归逐步回归)作为分析方式作为分析方式4.单击单击Statistics按钮，按钮，进行

12、需要的选择，进行需要的选择，单击单击Continue返回返回5.单击单击OK按钮执行按钮执行2.回归模型的建立回归模型的建立被引入与被剔除的变量被引入与被剔除的变量回归方程模型编号回归方程模型编号引入回归方程的自变量名称引入回归方程的自变量名称从回归方程被剔除的自变量名称从回归方程被剔除的自变量名称回归方程中引入或剔除自变量的依据回归方程中引入或剔除自变量的依据3.结果分析结果分析由复相关系数由复相关系数R=0.982说明该预报说明该预报模型高度显著，可用于该地区大春模型高度显著，可用于该地区大春粮食产量的短期预报粮食产量的短期预报常用统计量常用统计量方差分析表方差分析表回归方程为：回归方程为：按常识理解，粮食产量和播种面积关系密切，但预报按常识理解，粮食产量和播种面积关系密切，但预报模型中，变量模型中，变量x1未引入，这是因为：未引入，这是因为：多年来该地区的大春粮食播种面积变化甚微，近多年来该地区的大春粮食播种面积变化甚微，近于常数，因而对产量的影响不大而失去其重要性。于常数，因而对产量的影响不大而失去其重要性。回归系数分析回归系数分析